目前,机器学习技术已经深深扎根于人们的日常生活中,并且已经应用到几乎所有的应用领域。然而,构建一个高质量的机器学习模型是一个迭代、复杂、耗时的过程,同时这个过程需要大量的专家知识去尝试各种算法和技术。随着现实生活中数据量的不断大幅增长,人们已经认识到纵使知识渊博的数据科学家也无法应对这些挑战。因此,自动构建良好的机器学习模型是至关重要的。在最近几年时间里,一些技术和框架被引入来解决机器学习领域中自动化组合算法选择和超参数调优。这些技术的主要目的是减少人在整个模型训练过程中的作用,并通过扮演领域专家的角色来填补非专家机器学习用户的空白。本学位论文主要研究自动机器学习领域中的集成式自动模型结构搜索,研究并实现了管道分层并行自动模型构建技术,通过并行遗传算法将传统机器学习建模中的各个组件集成为一种自动化机器学习模型,其中包括自动特征工程、自动超参数优化以及自动模型选择等。通过管道并行的方式自动集成整个机器学习建模过程,可以同时实验多个不同模型,最终在没有人工干预的条件下更快更好的生成一个最优模型。在自动机器学习模型结构搜索的研究过程中,本学位论文研究并设计了一种管道分层并行遗传自动模型构建技术,通过该技术研究实现了一种基于Dask并行遗传算法的集成式自动机器学习建模框架,提出了将特征工程、模型选择、模型评估等机器学习算法组合成树形结构,然后将树形结构定义为一个管道,接着结合遗传算法的全局优化的特点,设计了分层并行遗传算法,重新定义了管道之间的交叉、选择和变异操作。在工程开发上,提出了利用Dask加速优化的集成式自动机器学习建模方案,结合Dask对大数据文件的处理以及支持动态分布式并行运算,极大缩短了运行时间提高了效率。在实验验证上,将设计的自动机器学习框架在从PMLB和UCI数据库中共选择的九个分类数据集上进行了实验,并与其他算法进行了比较。实验结果表明,本学位论文提出的管道分层并行自动模型构建技术在测试数据集上的分类效果模型精度优于传统机器学习方法和其他同类自动机器学习方法。最后,在总结本学位论文所有工作的同时对需要完善改进和深入研究的地方进行了展望。